
【G検定対策】模擬問題12 2025年7月試験対応
章末の「ご利用にあたって」を読んでからご利用ください。
模擬問題として160問120分を意識して出題問題をランダムにしております。今回は5月10日(土)にありました試験の傾向から7月の出題対応カバー率をあげることを意識して作成しました。模擬問題として160問、解答時間は120分を想定しております。最後に20問のチャレンジ問題を追加しています。(直接的な知識を問うのではなく、応用的な知識に置き換える問題、仮定や想定シナリオから問題)
解答解説は最後にPDF添付しています。
作成は2025/5/25です。
模擬問題 160問 120分
Q1.
1956年のダートマス会議において人工知能の研究が開始された際に掲げられた基本仮定はどれか?
① 人工知能は感情を再現できることを前提とする
② 人間の知能はルールベースのみで表現可能である
③ 知的行動は機械的にシミュレートできるとする
④ 機械は自律的に進化すべきとする
Q2.
教師あり学習の分類問題において、モデルの性能を表す評価指標として最も適切なものはどれか?
① 平均二乗誤差(MSE)
② 正解率(Accuracy)
③ クラス間分散
④ 潜在変数
Q3.
大規模言語モデルにおいて「スケーリング則」として知られる現象に該当するものはどれか?
① モデルサイズと性能に一定の線形関係がある
② モデルを10倍にすると性能は必ず10倍向上する
③ モデルサイズ・データ量・計算量の増加により性能が予測可能に向上する
④ モデルが大きくなるほど必ず過学習が発生する
Q4.
TransformerアーキテクチャのSelf-Attentionにおける「キー(Key)」と「クエリ(Query)」の関係として正しいものはどれか?
① 同じ位置のベクトルを指す
② クエリとキーの内積が大きいほど、該当要素に高い重みが与えられる
③ クエリは常にランダムベクトルである
④ キーとクエリは常に異なる文から生成される
Q5.
バッチ正規化(Batch Normalization)の主な効果として最も適切なものはどれか?
① 勾配の消失を完全に防止する
② 過学習を促進する
③ 学習を安定させ収束を早める
④ モデルサイズを削減する
Q6.
拡散モデルにおける「逆拡散プロセス」とは何を指すか?
① 入力画像からランダムにノイズを加える工程
② ノイズを加えた画像から元のデータを復元する工程
③ モデルの重みを減少させる処理
④ 類似画像同士を混合して新画像を作る処理
Q7.
AI倫理において「公平性の指標」の1つである「人口統計学的パリティ」とは何か?
① すべてのグループで誤分類率を等しくすること
② グループごとに均等な訓練データを用意すること
③ 異なるグループで肯定的な予測が同じ割合になること
④ 全ての個人に同じスコアを与えること
Q8.
モデル軽量化手法として最も適切なものはどれか?
① モデルの層数を増やす
② 学習データの量を増加させる
③ モデル蒸留により性能を維持したまま簡素化する
④ バッチサイズを増加させる
Q9.
AIプロジェクトのライフサイクルにおいて「MLOps」の目的として最も適切なものはどれか?
① 機械学習モデルの精度を最大化する
② モデル開発から運用までの継続的プロセスを自動化・管理する
③ データ可視化のためのダッシュボード設計
④ プログラムのバグを自動修正する
Q10.
AIプロジェクトの進行において「PoC(Proof of Concept)」が果たす役割は何か?
① データの正規化を行う
② コンセプトが技術的に実現可能か検証する
③ 法的リスクを評価する
④ 製品の販売戦略を立てる
Q11.
ディープラーニングにおいて、勾配消失問題が顕著に発生しやすい条件として最も適切なものはどれか?
① 層が浅いネットワークを用いる場合
② 活性化関数にReLUを使った場合
③ 活性化関数にシグモイドを使い、層が深い場合
④ ミニバッチサイズを小さくした場合
Q12.
日本の個人情報保護法において、「仮名加工情報」の特徴として正しいものはどれか?
① 誰でも個人を容易に識別可能な情報である
② 統計分析には使用できない
③ 元の個人情報に戻す手段を保持するが、個人識別は困難にする
④ 完全に匿名化されており復元不可能である
Q13.
マルチモーダルAIにおける「CLIP」の特徴として最も適切なものはどれか?
① 音声とテキストをリアルタイムで翻訳する
② 画像とテキストを共通の特徴空間にマッピングする
③ 複数の画像を合成して新たな映像を生成する
④ 人物の感情を音声から推定する
Q14.
次のうち、深層強化学習に分類される手法はどれか?
① K-meansクラスタリング
② Deep Q-Network (DQN)
③ AdaBoost
④ Principal Component Analysis (PCA)
Q15.
データ拡張手法「CutMix」の特徴として最も適切なものはどれか?
① 画像にランダムノイズを加える
② 複数画像の一部を切り取り合成し、ラベルも混合する
③ 画像を左右反転する
④ 入力画像を低解像度に変換する
Q16.
Transformerにおいて、位置エンコーディングの目的として最も適切なものはどれか?
① 重みの初期値を固定するため
② 入力トークンの順序情報を埋め込むため
③ 学習率を一定に保つため
④ 計算量を削減するため
Q17.
AIのフェアネスに関する指標で「Equal Opportunity」に該当するものはどれか?
① 全属性グループで予測の分布が等しいこと
② 肯定的に分類すべき人々の中で、平等に正しく予測されること
③ 属性ごとの偽陰性率が等しいこと
④ 属性にかかわらず誤分類されること
Q18.
AIシステムのリスク区分として、EU AI Actで「高リスクAI」に該当する例として最も適切なものはどれか?
① 音楽推薦システム
② 顔認識を用いた公共空間の監視システム
③ 自動補完機能のついたメール送信アシスタント
④ チャットボットによる問い合わせ対応
Q19.
畳み込みニューラルネットワーク(CNN)の特徴として正しいものはどれか?
① 時系列データの解析に最適化されている
② ネットワークの各ノードが全ての入力と接続されている
③ 画像の空間的特徴を捉えるのに適している
④ 出力が常に分類問題になる
Q20.
AIのサステナビリティ対策として、最も適切でないものはどれか?
① 量子化を用いてモデルを軽量化する
② プルーニングにより不要な重みを削減する
③ モデルパラメータを増加させ精度を高める
④ 蒸留により小型モデルに知識を転移する
Q21.
Attention機構で使用される「ソフトマックス関数」の役割として最も適切なものはどれか?
① 入力値を正規化し、確率的な重みに変換する
② 出力を0と1に二値化する
③ 入力次元を削減して計算を簡素化する
④ 重みの数を動的に増やす
Q22.
GAN(敵対的生成ネットワーク)の構成要素である「判別器」の役割は何か?
① 入力ノイズから画像を生成する
② 生成されたデータと実データを区別する
③ モデルの重みを初期化する
④ 潜在変数をクラスタリングする
Q23.
「オートエンコーダ」に関する記述として正しいものはどれか?
① 入力データの分類精度を高める
② ノイズを除去してデータを圧縮・復元する
③ データの順序関係を明示的に保持する
④ 時系列予測に特化したアーキテクチャである
Q24.
ディープラーニングにおいて「過学習」が発生する典型的な要因はどれか?
① テストデータが訓練データと同一である場合
② モデルが訓練データに過剰に適合している場合
③ 入力データに外れ値が含まれる場合
④ モデルに活性化関数が含まれていない場合
Q25.
AI倫理に関する次の記述のうち、ハードローに該当するものはどれか?
① OECDのAI原則
② 民間企業の行動規範
③ GDPR(一般データ保護規則)
④ AI倫理アセスメントのガイドライン
Q26.
「自己教師あり学習」の特徴として最も適切なものはどれか?
① 正解ラベルを持つ教師データに基づいて学習する
② ラベルなしデータからタスクに応じた表現を学習する
③ 強化学習と教師あり学習を同時に実行する
④ クラスタリングの精度を向上させることを目的とする
Q27.
次のうち、Vision Transformer(ViT)の特徴として正しいものはどれか?
① 入力画像を小領域ごとにトークン化し、自己注意で処理する
② カーネルを用いて画像にフィルター処理を施す
③ 時系列データを処理するためのネットワーク構造である
④ モデルの重みを量子化する手法のひとつである
Q28.
AIサービス提供契約における「SaaS型」の特徴として適切でないものはどれか?
① クラウド経由でサービスが提供される
② ソフトウェアを個別にインストールして運用する
③ ユーザー数に応じた課金形態が一般的である
④ サービス利用規約や保守内容が明記される
Q29.
最適化アルゴリズム「Adam」に関する特徴として最も適切なものはどれか?
① モデルの全ての重みに対して同一の学習率を適用する
② モメンタムと適応学習率の両方を組み合わせた手法である
③ ハイパーパラメータを必要としない
④ 学習率を手動で毎回調整する必要がある
Q30.
日本における「限定提供データ」に関する法的保護の根拠はどれか?
① 特許法
② 著作権法
③ 不正競争防止法
④ 個人情報保護法
Q31.
強化学習において「Q学習」の特徴として正しいものはどれか?
① 状態と行動の組み合わせに対する価値を学習する
② 状態遷移モデルの事前構築が必須である
③ 教師データを直接使用して分類精度を向上させる
④ タスクをクラスタリングして報酬を導出する
Q32.
自己教師あり学習において正しい説明はどれか?
① すべてのラベルが明示的に与えられる必要がある
② ラベルなしデータを活用して特徴表現を学習する
③ ラベルの誤りを自動で補正するアルゴリズムである
④ 強化学習と組み合わせたアンサンブルモデルである
Q33.
Attentionのスコア計算において、クエリ(Q)とキー(K)のベクトル内積の目的はどれか?
① 全体の出力数を調整する
② 位置エンコーディングの長さを補正する
③ トークン間の関連度を評価するため
④ 単語埋め込みの平均値を求めるため
Q34.
「CLIP」のようなマルチモーダルモデルの特徴として最も適切なものはどれか?
① 音声と映像の合成に特化している
② 画像の圧縮表現のみを生成する
③ テキストと画像を共通の埋め込み空間に変換する
④ テキストの感情ラベルを分類する
Q35.
データサイエンスプロジェクトにおいて、CRISP-DMモデルの第一段階として正しいものはどれか?
① データ収集
② モデル設計
③ ビジネス理解
④ モデル評価
Q36.
LSTM(長・短期記憶)ネットワークが従来のRNNより優れている理由として最も適切なものはどれか?
① 勾配爆発を完全に防止できるから
② 活性化関数の構造が簡素であるから
③ 長期依存関係を保持できるゲート構造を持つから
④ ネットワークの全結合数を増やすことができるから
Q37.
GDPRにおいて「データ主体の権利」として認められていないものはどれか?
① データポータビリティの権利
② 消去権(忘れられる権利)
③ モデルの精度保証を要求する権利
④ 処理の制限を求める権利
Q38.
AIにおける「知識蒸留」の特徴として最も適切なものはどれか?
① 小型モデルに対して高性能モデルの知識を転移する
② モデルに含まれる不確実性を測定する手法
③ モデルを再訓練せずに重みを調整する技術
④ ハイパーパラメータの自動最適化アルゴリズム
Q39.
Transformerにおける「位置エンコーディング」の目的はどれか?
① 各層の重みの初期化を容易にする
② トークンの出現順序をモデルに知らせるため
③ モデルの学習率を調整するため
④ Attentionスコアの正規化を補正するため
Q40.
AIの環境負荷対策として正しくないものはどれか?
① モデル蒸留の導入
② モデルの量子化による軽量化
③ 学習パラメータの削減
④ 計算コストを上げて精度を最大化する
Q41.
ディープラーニングにおける「ドロップアウト」の目的として最も適切なものはどれか?
① 過学習の抑制
② 活性化関数の高速化
③ 重み初期化の安定化
④ 層の数を削減するため
Q42.
次のうち、「Zero-Shot学習」の説明として最も適切なものはどれか?
① 微調整したモデルで類似タスクを学習させる方法
② 事前学習済みモデルに例示なしで未知のタスクを解かせる方法
③ 単一のデータセットを反復して学習させる手法
④ 入力文を翻訳しながら分類も行う多目的手法
Q43.
「オーバーフィッティング」に関する記述として正しいものはどれか?
① テストデータの精度が高くなること
② 訓練データに過度に適合し、汎化性能が低下すること
③ 訓練データの数が非常に多いこと
④ ハイパーパラメータを自動調整すること
Q44.
自然言語処理タスクで利用される「トークナイザー」の主な役割はどれか?
① 音声を文字に変換する
② テキストを構文解析する
③ 文章を単語やサブワード単位に分割する
④ トークンごとに正解ラベルを付ける
Q45.
活性化関数「ReLU」の特徴として最も適切なものはどれか?
① 負の値をすべてゼロに変換する
② 出力を確率に変換する
③ 出力を −1〜1 に正規化する
④ シグモイド関数の出力を反転する
Q46.
日本の「AI戦略2022」で掲げられた重点分野に含まれないものはどれか?
① 教育・人材育成
② ヘルスケア・医療
③ 宇宙探査・植民
④ スマートシティ・地方創生
Q47.
AIシステムの監査において、「説明可能性」が求められる主な理由はどれか?
① モデルの処理速度を向上させるため
② モデルの判断根拠を明示し、信頼性を確保するため
③ 誤差逆伝播法の理解を深めるため
④ バイアスのないデータ生成を実現するため
Q48.
機械学習モデルにおいて「正解率(Accuracy)」が適さないケースとして最も適切なものはどれか?
① データ数が少ない場合
② ラベルが数値である回帰問題
③ 正解ラベルの定義が曖昧な場合
④ クラスの不均衡が大きい場合
Q49.
次のうち、畳み込み層(Convolutional Layer)の主な役割として正しいものはどれか?
① 入力特徴を統計的に要約する
② 入力画像の一部を削除する
③ 局所的特徴を抽出する
④ 出力を時系列に変換する
Q50.
「Transformer」において、デコーダが持つ構造の特徴として最も適切なものはどれか?
① エンコーダと完全に同じ構造
② 出力トークンの生成に未来の情報を利用する
③ マスク付きSelf-Attention機構を持つ
④ LSTMとAttentionを組み合わせて構成される
Q51.
Transformerアーキテクチャにおいて、マルチヘッドアテンションを使用する主な利点はどれか?
① モデルを軽量化して高速化する
② 複数の視点で情報の関連性を同時に学習できる
③ 重み共有によりパラメータ数を削減できる
④ アテンションを計算せずに位置情報を埋め込める
Q52.
深層学習モデルにおいて「層正規化(Layer Normalization)」の特徴として正しいものはどれか?
① 入力ベクトルの各次元をバッチ内で正規化する
② 各サンプル内の特徴に対して正規化を適用する
③ バッチサイズを大きくすると効果が増す
④ 学習率を固定するための技術である
Q53.
2023年以降注目されている「MoE(Mixture of Experts)」モデルの特徴として最も適切なものはどれか?
① 全ての層で全専門家を同時に使用する
② 入力に応じて一部の専門家ネットワークのみを動的に選択する
③ 専門家ネットワーク間に一切の情報共有を行わない
④ モデルサイズを小さくするためにすべてのパラメータを共有する
Q54.
次のうち、「フェデレーテッドラーニング」に該当する説明として最も適切なものはどれか?
① 各端末で学習した重みを中央サーバーに集約しモデルを更新する
② データを暗号化してクラウドに一括アップロードする
③ 複数のサーバーで並列に同一モデルを訓練する手法
④ 重みの更新を逐次的に伝搬することで学習を高速化する手法
Q55.
注意機構(Attention)で使用されるスケーリング係数 √d_k の目的として最も適切なものはどれか?
① 出力次元数を減らす
② 勾配の爆発を抑える
③ 学習率をスケールする
④ softmax関数での極端な重み偏りを防ぐ
Q56.
AI倫理における「Equalized Odds」が意味する公平性の条件として最も適切なものはどれか?
① 全ての属性で肯定的な予測の比率が等しいこと
② 全ての属性で偽陽性率と偽陰性率が一致すること
③ 正例の予測確率が全体で均一になること
④ 属性ごとに異なる基準で予測を行うこと
Q57.
活性化関数「GELU(Gaussian Error Linear Unit)」の特徴として正しいものはどれか?
① 入力が負の値のとき常に0を返す
② シグモイド関数とReLUの中間的性質を持つ滑らかな関数
③ 全ての入力を0〜1の範囲に収める
④ 非線形性を導入せず、線形マッピングのみ行う
Q58.
次のうち、「スパース化(sparsification)」の目的として最も適切なものはどれか?
① モデルの訓練データを減らす
② 不必要なパラメータを除去して計算効率を上げる
③ バッチサイズを減らすことでメモリ消費を抑える
④ 正則化のためにデータ分布を均一化する
Q59.
「SHAP(SHapley Additive exPlanations)」の理論的背景となっているものはどれか?
① マルコフ連鎖モンテカルロ法(MCMC)
② シャプレー値に基づくゲーム理論
③ 最小二乗法に基づく線形回帰モデル
④ エントロピー最大化原理
Q60.
Diffusion Modelの「ノイズスケジュール(noise schedule)」の役割として最も適切なものはどれか?
① 出力画像の色空間を調整する
② 拡散ステップにおけるノイズ付与の強度を時間とともに制御する
③ モデルのサイズを決定するパラメータを固定する
④ テキスト入力の埋め込み次元を調整する
Q61.
ディープラーニングで使用される「GELU」活性化関数の特徴として最も適切なものはどれか?
① ReLUよりも滑らかな曲線を持ち、入力を確率的に通過させる
② 常に0か1のいずれかの値を返す
③ 勾配消失を防止するための線形関数である
④ 出力を −1〜1 の範囲に制限する
Q62.
自己教師あり学習において、自己予測を活用する方法の一例として最も適切なものはどれか?
① 人手でラベル付けしたデータを利用して分類精度を測定する
② ラベルなしデータの一部をマスクして、それを予測するタスクを設定する
③ 強化学習により方策を最適化する
④ クラスタリング後のラベルを教師信号に用いる
Q63.
モデル圧縮の一手法である「蒸留(Distillation)」の目的として適切なものはどれか?
① 高精度の教師モデルの知識を小型モデルに転移する
② モデルのサイズを10倍に拡大し、性能を安定させる
③ 入力データの次元数を削減する
④ 畳み込み層の代わりにリカレント構造を導入する
Q64.
GDPRにおける「プロファイリング」に関する説明として正しいものはどれか?
① 個人の行動履歴から自動的に意思決定を行うプロセス
② データの匿名化により識別性を完全に除去する処理
③ 特定の職業集団の統計データを分析する手法
④ データ主体の要求により情報を復元する作業
Q65.
Vision Transformer(ViT)が従来のCNNと異なる点として最も適切なものはどれか?
① 入力画像をパッチに分割し、トークンとして処理する
② カーネルベースで画像全体をスキャンする
③ グラフ構造を用いて特徴を抽出する
④ 空間的情報を無視して学習を行う
Q66.
AIプロジェクトのライフサイクルにおいて「再現性」を確保する手段として最も適切なものはどれか?
① データの前処理やモデル構成を記録し、バージョン管理する
② テストデータを毎回ランダムに選択する
③ ハイパーパラメータを毎回異なる設定にする
④ 学習済みモデルをすぐに削除して更新する
Q67.
日本の不正競争防止法において「限定提供データ」の定義として正しいものはどれか?
① 秘密管理されず、一般に提供されるが有用な情報
②営業上有用で、特定の相手に提供され、電磁的方法により管理される情報
③ 国や自治体が公開している統計データ
④ 個人情報保護法により削除義務のある情報
Q68.
深層強化学習で活用される「経験再生(Experience Replay)」の目的として正しいものはどれか?
① モデルの予測を即時に破棄するため
② 過去の経験から学習し、データの相関を減らすため
③ データの匿名性を高めるため
④ 新しい環境を毎回学習に追加するため
Q69.
モデルの性能評価において「F1スコア」が重要になる理由はどれか?
① 正解率と混同行列を同時に視覚化できるため
② 精度(Precision)と再現率(Recall)の調和平均であり、バランス評価に優れるため
③ 真陽性数のみを重視するため
④ 回帰問題における誤差評価指標として使用するため
Q70.
ディープフェイク対策において有効とされる技術として最も適切なものはどれか?
① 自動データ拡張による学習性能向上
② メタ学習による高速学習
③ 認証用ウォーターマークや真贋判定AIの導入
④ 潜在空間におけるベクトル操作による変換
Q71.
Transformerアーキテクチャにおける「位置エンコーディング」の手法の一つである「サイン・コサイン関数による埋め込み」の利点はどれか?
① 入力長に依存せず、トークン位置を明示的に表現できる
② 計算が複雑になり、柔軟な学習が可能になる
③ パラメータを自動で最適化できる
④ Attentionマスクとの併用が前提となる
Q72.
MoE(Mixture of Experts)構造における「スパースゲーティング」の目的として最も適切なものはどれか?
① 全てのエキスパートを均等に活性化させるため
② 特定の入力に応じて少数のエキスパートのみを選択することで計算資源を効率化するため
③ 全層での出力を同時に並列化するため
④ 勾配の流れを制御し、学習率を一律に保つため
Q73.
大規模言語モデルにおける「In-Context Learning」の制限として正しいものはどれか?
① 明示的なファインチューニングが必須である
② モデルのパラメータ更新を伴わず、文脈による一時的な学習に依存する
③ モデルサイズが小さいほど精度が向上する
④ 固定テンプレートの使用が不可欠である
Q74.
日本において、AIが自動的に契約内容を提示するシステムの法的リスクとして、最も重視すべきものはどれか?
① プライバシーポリシーの記載有無
② 利用規約への適用範囲の誤解
③ 消費者契約法における説明義務違反
④ 広告表示基準との整合性
Q75.
正規化層「レイヤー正規化(LayerNorm)」がバッチ正規化と異なる最大の特長はどれか?
① 学習時と推論時で挙動が異なる点
② 学習データの分布に依存しない点
③ 高速な学習収束を保証する点
④ GPU上でしか動作しない点
Q76.
ディープラーニングで利用される「ラベルスムージング(Label Smoothing)」の目的として最も適切なものはどれか?
① 損失関数の勾配を増幅するため
② モデルの確信度を適度に抑えて過学習を防ぐため
③ 学習時のデータ分布を一様化するため
④ 出力層のサイズを固定するため
Q77.
Vision Transformer(ViT)の計算負荷を軽減する工夫として近年注目される「階層型ViT(Hierarchical ViT)」の特徴はどれか?
① トークン数を一定に保つため全層で画像解像度を拡大する
② 初期層でパッチ数を減らし、後段にいくにつれて統合を行う構造
③ パッチを完全に除去し、画像全体を一度に処理する方式
④ Attentionの代わりにCNNを挿入することでTransformerを模倣する構造
Q78.
Diffusion Modelにおいて「反復除去(denoising)」ステップの安定性向上に使われる技術として正しいものはどれか?
① Softmaxの温度調整
② 学習率スケジューリングの適用
③ スキップ接続と時間埋め込みの導入
④ モデル蒸留による知識伝播
Q79.
GPTのような自己回帰モデルにおいて「Exposure Bias」が生じる要因として最も適切なものはどれか?
① 学習時には正解データを使用し、推論時には自己生成データに頼るギャップ
② トークンの並び順を固定することによる表現の欠落
③ モデルが推論時にすべての出力を一度に生成すること
④ Attention機構を使用しない設計による情報欠損
Q80.
AI倫理に関連する国際的枠組みとして、OECD AI原則が強調する主要理念の一つはどれか?
① 経済的優位性の確保
② データ市場の自由化
③ 包括的成長と人間中心の価値尊重
④ 行政機関によるAI独占と監督の強化
Q81.
Diffusion Modelにおける「スコアベース生成(Score-based Generative Modeling)」の特徴として最も適切なものはどれか?
① スコア関数に基づき、ノイズの勾配を予測してデータを復元する
② ガウス混合モデルの推論を強化学習で補完する手法
③ 出力空間を直接最適化するための強力な教師あり学習モデル
④ クロスエントロピー損失を最小化することで画像生成を行う
Q82.
トランスフォーマーにおける「相対位置エンコーディング(Relative Positional Encoding)」の利点として正しいものはどれか?
① トークン間の絶対的な距離を保つことで長文に対応できる
② 時系列において勾配の消失を防ぐ
③ パラメータ共有によりTransformer層の重みを削減する
④ 文中での位置関係をより柔軟に表現し、一般化性能を高める
Q83.
スパースニューラルネットワークの訓練時に導入される「L0正則化」の役割として最も適切なものはどれか?
① 活性化関数の滑らかさを保証する
② 勾配更新ステップの収束速度を上げる
③ モデルのパラメータ数を直接制御し、スパース性を促す
④ クラス間距離を最大化するために損失関数を変更する
Q84.
「トークン平衡(Token Balancing)」は、次のどの課題に対する解決策として導入されることが多いか?
① モデルの層数に対するスケーラビリティの低下
② 入力系列内の重要トークンの埋没による情報損失
③ 勾配爆発の頻発による学習の不安定化
④ アテンションマスク処理の高速化の限界
Q85.
次のうち、「Contrastive Language-Image Pretraining(CLIP)」が自然言語と視覚情報を共通空間にマッピングする際に用いる損失関数として最も適切なものはどれか?
① L1損失
② トリプレット損失
③ コントラスト損失(InfoNCE)
④ ハンギング損失
Q86.
バッチ正規化と比較して「グループ正規化(Group Normalization)」が有利とされる場面として正しいものはどれか?
① 大規模バッチサイズが利用可能な分散学習環境
② ミニバッチサイズが小さい、あるいは1の時でも安定性を保ちたい場合
③ 時系列データにおける順序依存性の保持
④ リカレント構造を含むネットワークでの速度最適化
Q87.
GPT系モデルのスケーリングにおいて「Chinchilla Scaling Law」で示された主張として最も正しいものはどれか?
① モデルサイズを最大限に拡大することが性能向上の鍵である
② パラメータ数よりもデータ量を最適化することで効率が上がる
③ GPU使用率を最大化することで学習時間が短縮される
④ 層の深さよりもトークン長が性能を決める主要因である
Q88.
LLMが多言語タスクで高い性能を示す要因として最も適切なものはどれか?
① 言語ごとに異なる構文解析器を使用しているため
② 言語ごとのラベル付け規則を完全に統一しているため
③ 多言語の共有埋め込み空間を学習しているため
④ 文法規則ベースのトークナイザーを言語ごとに構築しているため
Q89.
次のうち、「AI倫理ガイドラインにおける説明可能性(Explainability)」に対する技術的アプローチとして適切でないものはどれか?
① LIMEやSHAPを使った特徴量の寄与評価
② モデルの重みの可視化と解釈
③ モデルの入力をすべて暗号化することでセキュリティを強化
④ 注意重みの可視化を通じたモデルの挙動分析
Q90.
計算効率を維持しつつ画像生成の高品質を実現する手法として、「Latent Diffusion Model(LDM)」が導入される主な理由はどれか?
① エネルギー消費を最小限に抑えるために画像サイズを圧縮する
② 圧縮された潜在空間で生成を行い、計算負荷を削減しながら表現力を維持する
③ 全ての拡散ステップで画像を高解像度化するプロセスを実行するため
④ ノイズを段階的に重畳して画素空間を探索するため
Q91.
マルチモーダルAIにおける「クロスアテンション(Cross-Attention)」の目的として最も適切なものはどれか?
① 複数モダリティの情報を個別に処理するため
② 同一モダリティ間の時間的依存を学習するため
③ モダリティ間の情報を交差的に参照し、対応関係を学習するため
④ クラスタリング結果を統合するために用いる
Q92.
大規模言語モデルがタスクに即応する「Chain-of-Thought Prompting」の特長として最も適切なものはどれか?
① 推論過程を明示的にステップバイステップで生成する
② 訓練時にAttentionスコアを固定化する
③ 応答速度を早めるために並列推論を実行する
④ モデルのトークン埋め込みをマスクすることで情報の圧縮を図る
Q93.
ディープフェイク検出技術において活用される「フォレンジック分析」の主な目的はどれか?
① 生成された画像の意味内容を抽出すること
② メタデータの整合性から著作権を検証すること
③ 合成メディアの物理的・統計的矛盾を発見すること
④ テキストと画像の文脈的一貫性を比較すること
Q94.
Transformerベースの視覚モデルにおける「Shifted Window Attention(SWA)」の利点として正しいものはどれか?
① 入力画像を完全に重複しない領域に分割することで計算量を削減する
② ローカルなウィンドウ内で完結する処理を実行することで精度を向上させる
③ 入力トークンを位置エンコーディングなしで処理するための構造である
④ 異なるウィンドウ位置をずらしてAttentionを行うことで、広域の情報を効果的に取得する
Q95.
AI開発における「モデルカード(Model Card)」の記述対象として適切でないものはどれか?
① 使用目的や対象ユーザー
② 学習データセットの性質
③ モデルのハイパーパラメータ
④ モデルを用いた経済効果の予測値
Q96.
深層強化学習における「報酬設計」の問題として最も注意すべき課題はどれか?
① 報酬を多く与えすぎると学習が安定する
② 報酬が複雑すぎるとモデルが過学習を起こす
③ 報酬関数が意図しない行動を強化してしまうことがある
④ 報酬が時間とともに自動で変化してしまうこと
Q97.
確率的勾配降下法(SGD)の変種である「Lookahead Optimizer」の基本的な動作として正しいものはどれか?
① 勾配を正規分布としてサンプリングする
② 複数のサブオプティマイザの出力を平均化する
③ 内部でメタラーニングを実行する
④ 局所探索を高速化するために、複数ステップ後の重みを参照して更新する
Q98.
モデル解釈性の技術として用いられる「Counterfactual Explanation」の主な目的はどれか?
① モデルの判断根拠を人間が理解しやすい説明に変換する
② 出力を正反対に変えるために最小限変更すべき特徴を示す
③ モデル出力の分布を視覚的に表示する
④ 学習時の特徴量分布を均一に保つよう正則化する
Q99.
最新のSelf-Supervised Learning(SSL)で導入される「Negative Sample Free」方式の特徴はどれか?
① ラベルの誤りを自動的に修正する機構
② 対照学習で正例と負例を同時に使用する
③ 類似表現を引き寄せる目的関数を持つが、負例を使わない学習設計
④ 複数モデルを同時学習し、最も高精度なものを選ぶメタ手法
Q100.
大規模モデルにおける「Parameter-Efficient Fine-Tuning(PEFT)」の利点として正しいものはどれか?
① 全パラメータを毎回更新することで、精度を保証する
② 学習済みモデルを前提とせず、一から再学習を行う手法
③ パラメータ数が多いモデルほど学習コストを削減できる
④ ごく一部のパラメータのみを調整することで、微調整の計算効率と柔軟性を両立する
Q101.
LLMにおける「Instruction Tuning」がもたらす主な効果として適切なものはどれか?
① モデルの出力を一意に制限することで安全性を向上させる
② モデルを複数言語対応にすることで翻訳精度を上げる
③ 汎用モデルが指示に従って目的タスクを遂行する能力を向上させる
④ プロンプトを強制的に固定することで意図した応答を得る
Q102.
データの事前処理における「Zスコア正規化」の目的として正しいものはどれか?
① 入力データを均等分布に変換する
② 特徴量間のスケールの違いを均質化する
③ カテゴリ変数をベクトル化する
④ 欠損値を予測して補完する
Q103.
Self-Attentionにおいて「スケーリング係数√d_k」を適用する理由として最も適切なものはどれか?
① 勾配爆発を防止し、正則化効果を得る
② バッチサイズによるばらつきを除去するため
③ 正規分布の前提に従って重みを調整するため
④ softmaxの出力が極端に偏らないようスコアを安定化させるため
Q104.
自己教師あり学習(SSL)において、「BYOL(Bootstrap Your Own Latent)」が示す革新性として正しいものはどれか?
① 負例を使わずに類似特徴を引き寄せる表現学習が可能である
② 教師モデルを使って自己符号化を繰り返すことで性能を高める
③ 強化学習とSSLを統合し、報酬なしで学習する手法である
④ モデル圧縮と知識蒸留を組み合わせた教師なし手法である
Q105.
言語モデルにおける「次トークン予測」が抱える代表的な課題として最も適切なものはどれか?
① 訓練データの多様性が常に保証されるため、モデルの自由度が高くなりすぎる
② 推論時の出力が学習時の分布と乖離しやすいExposure Biasが生じる
③ トークンの埋め込みが時間方向に非可逆になる
④ 文法的正確性を優先しすぎて創造的出力が困難になる
Q106.
Vision Transformer(ViT)において、「クラストークン([CLS])」の主な役割はどれか?
① 入力パッチごとにAttentionスコアを明示的に可視化する
② 全トークンの情報を集約し、最終分類結果の出力に使用される
③ 各トークンに個別の重みを割り当てるための正規化指標
④ マルチヘッドAttentionの出力を平均化する処理
Q107.
モデル解釈性手法のひとつ「Anchors」の特徴として正しいものはどれか?
① モデル出力の背後にある決定境界を線形関数で近似する
② 単一の特徴量だけに基づいて反事実シナリオを生成する
③ ルールベースで一定の条件下で予測が安定する例を提示する
④ モデルのパラメータ空間全体にわたる視覚化を行う
Q108.
AIガバナンスにおいて「継続的監査」が重視される理由として最も適切なものはどれか?
① 一度承認されたAIシステムは以降変更が認められないため
② デプロイ後もモデルの性能やバイアスの変動を追跡する必要があるため
③ 利用者の操作によってモデル構造が自動変更されるため
④ 公開されたデータセットは常に正確性が保証されているため
Q109.
知識蒸留(Knowledge Distillation)において、教師モデルの出力温度(Temperature)を上げる主な理由はどれか?
① 出力のばらつきを大きくして、訓練データを圧縮する
② 出力確率を平坦化し、生徒モデルがより多くの情報を学習できるようにする
③ 学習時間を短縮し、早期収束を促すため
④ 教師モデルの精度向上を事前に評価するため
Q110.
自動運転AIにおける「センサフュージョン」の目的として最も適切なものはどれか?
① 単一センサの出力だけで判断精度を高める
② 事前の地図情報を最優先して経路計画を行う
③ センサの種類ごとに完全に独立したモデルを構築する
④ 異なるセンサ情報を統合して周囲の状況認識を精緻化する
Q111.
GPTのような自己回帰型モデルにおける「温度パラメータ(Temperature)」の調整が出力に及ぼす影響として最も適切なものはどれか?
① モデルの学習速度を変化させる
② 推論時のトークン選択の確率分布のシャープさを調整する
③ モデルの重み初期化に影響を与える
④ 隠れ層の数を自動調整する
Q112.
Diffusion Modelにおける「スケジュールされたノイズ除去」のメリットとして最も適切なものはどれか?
① すべての画像をノイズなしで学習できる
② 時間ステップに応じて適切なノイズレベルで生成を安定化できる
③ 高次元空間での分類精度が向上する
④ Attentionスコアの重みを固定化できる
Q113.
機械学習モデルのバイアス検出における「Statistical Parity」の定義として正しいものはどれか?
① 特定グループに属するサンプルが常に正例と予測されること
② 全グループで肯定的予測の確率が等しいこと
③ 正例率と偽陽性率がグループ間で等しいこと
④ 真陽性率が等しいこと
Q114.
Attentionにおける「ヘッドの多様性」が重要とされる理由として正しいものはどれか?
① 単一のアテンションヘッドで全体の情報を網羅できるようになる
② 並列処理により計算速度が落ちるのを防ぐため
③ 異なるヘッドが異なる関係性を学習することで表現の幅を広げる
④ アテンションの計算量を削減するため
Q115.
AIモデルにおける「入力感度分析(Input Sensitivity Analysis)」の主な目的として最も適切なものはどれか?
① 入力ノイズに対してモデルが頑健であることを証明する
② 出力確率の収束性を評価する
③ 入力の各特徴が出力に与える影響度を定量化する
④ 正則化パラメータを最適化する
Q116.
多段階のAI意思決定プロセスにおける「説明責任(Accountability)」の確保方法として適切でないものはどれか?
① ログの記録と追跡可能性の維持
② 意思決定に関与したモデル構造と根拠の保存
③ 関係者に対する適切な情報開示
④ 判断根拠やログを一切保存しない
Q117.
大規模言語モデルにおける「低ランク適応(LoRA)」の利点として正しいものはどれか?
① 層数を減らして推論速度を高速化する
② Attentionスコアを一意に決定できるようにする
③ ごく一部の重みのみを低ランク行列で学習可能にし、微調整コストを削減する
④ モデルサイズを直接縮小して圧縮率を上げる
Q118.
モデルの「再現性(Reproducibility)」の確保において不適切な対応はどれか?
① ランダムシードの固定
② 使用ライブラリとバージョンの記録
③ ハードウェア構成の明示
④ データ前処理手順の自動非公開化
Q119.
AIシステムにおける「フェアネス指標」の中で、Equalized Oddsが担保する条件として正しいものはどれか?
① 各グループでの予測結果の分布が等しい
② 各グループにおける真陽性率と偽陽性率の一致
③ 平均損失の最小化
④ 予測確率の中央値の一致
Q120.
AI倫理に基づくガバナンス方針である「HLEGの信頼可能なAI(Trustworthy AI)」に含まれない原則はどれか?
① 説明可能性
② ロバスト性
③ プライバシーとデータガバナンス
④ 経済合理性の最大化
Q121.
Attentionの「位置エンコーディング(Positional Encoding)」で、Transformerが時系列情報を扱える理由として正しいものはどれか?
① 時系列データの順序を保持するためにLSTMを併用している
② 単語ベクトルに時間的ラベルを追加している
③ サイン・コサイン関数により位置依存のベクトル変換を加えることで相対的順序を認識可能にする
④ すべてのトークンを同時に処理するため時系列性は不要とされる
Q122.
最新の画像生成AIで用いられる「VQ-VAE(Vector Quantized Variational Autoencoder)」の主な特徴はどれか?
① ノイズ分布の推定による強化学習適用
② 潜在空間を離散ベクトルで表現し、画像の多様性と再構成精度を両立する
③ 回帰損失を用いて連続的な変化を捉える
④ トークン化によってテキストと画像の連携を高める
Q123.
自然言語処理における「BPE(Byte Pair Encoding)」の特徴として正しいものはどれか?
① 単語全体を1つのトークンとすることで語彙数を削減する
② トークン化を行わず、文字単位で処理するための方式である
③ 頻出文字ペアを結合して語彙を構成することで、柔軟かつ圧縮性の高いトークナイザーを実現する
④ 単語の意味的類似性に基づいて語彙を動的に更新する
Q124.
AIと人間の協調作業における「Human-in-the-loop(HITL)」の導入目的として適切でないものはどれか?
① 人間による中間評価を通じてモデル出力の妥当性を検証する
② 高速処理が必要な工程を人手で置き換える
③ モデルの自動学習に対して人間が判断を補完する
④ 不確実性の高い領域で人間の専門知識を活用する
Q125.
トランスフォーマーモデルにおける「マルチヘッドAttention」の構造的意義として最も適切なものはどれか?
① 同一の注意スコアを複数回再計算して安定性を向上させる
② 単一のヘッドの重みを再利用することでメモリ使用量を削減する
③ 異なる部分空間で並行的にアテンションを行い、多様な特徴を抽出する
④ 全ての情報を一つの次元に統合して出力する
Q126.
LLMにおける「Few-Shot Learning」と「Fine-Tuning」の主な違いとして適切なものはどれか?
① Few-Shotはモデルの重みを変更せず、Fine-Tuningは変更する
② Few-Shotは常に最も高精度な手法である
③ Fine-Tuningは事前学習データをすべて再利用する
④ Few-Shotではタスク固有のデータ収集が不要となるため、バイアスが生じやすい
Q127.
モデル軽量化における「動的プルーニング(Dynamic Pruning)」の特徴として正しいものはどれか?
① モデルのパラメータを一括削除し、ネットワーク全体を単純化する
② 学習後に不要な層を切り離して再構築する方式である
③ 実行時の入力に応じて使用するノードを選択し、動的にモデル構造を変化させる
④ すべての重みを一度にゼロ化して再学習を行う
Q128.
AIシステムにおける「テストデータリーク(Test Data Leakage)」の問題として最も適切な説明はどれか?
① テスト時に学習済みモデルがクラッシュすること
② 評価用データが訓練プロセスに影響し、精度が不当に高く見積もられる現象
③ テスト用ラベルが欠損している状態で学習が行われる
④ 訓練時に正解率が固定される現象
Q129.
プロンプトエンジニアリングにおける「ReAct」手法の特徴として最も適切なものはどれか?
① 推論と外部行動(検索など)を交互に行い、応答の信頼性を高める
② プロンプトに確率分布を直接指定する手法
③ 応答の多様性を抑えるための正則化アプローチ
④ テキスト分類タスクに特化した教師なし手法
Q130.
AI開発における「シャドーモデル(Shadow Model)」の活用目的として最も適切なものはどれか?
① 本番環境での実稼働前に外部ユーザー向けにAI機能を限定公開する
② リスク評価や説明可能性のため、予測結果の比較対象として非本番系で並列に稼働させるモデル
③ 誤分類の際に自動でモデルを再学習させる補助モデル
④ AIバイアスを可視化するためのグラフベース表現モデル
Q131.
機械学習の交差検証における「k分割交差検証(k-fold CV)」の目的として正しいものはどれか?
① 訓練データを複数のサブセットに分割して汎化性能を評価する
② テストデータをランダムに再選出することで過学習を防ぐ
③ データの正規分布性を確認する
④ モデルの学習速度を最適化する
Q132.
ディープラーニングにおいて「勾配消失」が起きやすい理由として最も適切なものはどれか?
① 損失関数が指数関数的に増加するため
② 活性化関数の出力が飽和領域に入り、勾配がゼロに近づくため
③ モデルのパラメータ数が小さいため
④ オプティマイザがランダム性を導入するため
Q133.
Diffusion Modelの「逆拡散プロセス」における安定性向上技術として正しいものはどれか?
① 拡散ステップの数を最小化する
② Attentionスコアの正規化を導入する
③ 時間埋め込みとスキップ接続を併用する
④ ノイズの標準偏差を動的に変更する
Q134.
Transformer構造で使用される「Layer Normalization」の特徴として最も適切なものはどれか?
① ミニバッチ全体での平均と分散に基づいて正規化を行う
② 各特徴ベクトルごとに正規化を行い、系列長に依存しない安定性を持つ
③ パディングトークンを除外して正規化を行う
④ 重み初期化と連動することで勾配爆発を抑える
Q135.
AI倫理の技術的実装において「説明可能性(Explainability)」に貢献しないアプローチはどれか?
① Attention可視化
② SHAPによる寄与分析
③ 反事実説明
④ 暗号化によるモデル保護
Q136.
自己教師あり学習における「SimCLR」の学習戦略として最も適切なものはどれか?
① 教師モデルと生徒モデルの出力を一致させる
② データ拡張を通じて正例を生成し、コントラスト損失で学習する
③ クラスタリングにより擬似ラベルを作成する
④ 自然言語からの説明文を正解とする
Q137.
「MLOps」の主な目的のひとつとして正しいものはどれか?
① アーキテクチャの深さを自動で調整すること
② 学習率と重み減衰率を自動調整すること
③ モデルの開発から運用までを一貫して管理・自動化すること
④ ハードウェア依存性を排除するための手法であること
Q138.
「Federated Learning」で各デバイスが独立して学習した後、モデル集約を行う理由として最も適切なものはどれか?
① 各デバイスの予測精度を個別に評価するため
② 訓練データの匿名性を保証するため
③ 全端末のモデル重みを統合して、より良い中央モデルを作るため
④ モデルの推論速度を向上させるため
Q139.
AIにおける公平性指標「Equalized Odds」の定義に最も近いものはどれか?
① すべてのグループで予測確率の中央値を揃えること
② 各グループの損失関数を最小化すること
③ 真陽性率と偽陽性率が全グループで一致すること
④ 同一出力が得られるよう入力分布を正規化すること
Q140.
AIシステム導入前に行う「インパクトアセスメント(影響評価)」の目的として最も適切なものはどれか?
① 利用者体験(UX)の改善度を測定するため
② AI導入に伴う社会的・倫理的リスクを事前に評価するため
③ 推論時の速度と精度のトレードオフを最適化するため
④ モデルの性能変動を定量評価するため
Q141.
生成AIにおいて「ゼロショット学習(Zero-Shot Learning)」が可能になる要因として最も適切なものはどれか?
① 入力文をトークン単位に分割する構造
② 訓練時に見たことのないタスクに対しても一般化された表現を生成できる能力
③ タスクに関係なくラベルを割り当てるランダム処理
④ 学習パラメータを常に凍結して使用する構造
Q142.
Vision Transformer(ViT)における「パッチ分割」処理の主な意義はどれか?
① 畳み込み演算を代替するための精度補正機構
② 画像をトークン化し、自然言語処理モデルと同様の処理を可能にする
③ 画像特徴をピクセル単位で強調表示するための技術
④ 出力を画像のサイズに戻すためのデコーダー処理
Q143.
データ漏洩のリスクを軽減する「差分プライバシー(Differential Privacy)」の特長として最も適切なものはどれか?
① 学習済みモデルを暗号化して出力を保護する
② 各学習ステップでノイズを加えることで、個別データの影響を検出しにくくする
③ モデルの損失関数を複数に分割して精度を調整する
④ 学習履歴を消去して再訓練する
Q144.
トランスフォーマーにおける「マルチヘッドAttention」の利点のひとつとして適切でないものはどれか?
① 多様な注意分布を学習できる
② 複数の視点での情報抽出が可能
③ Attentionの計算回数を減らし、計算負荷を抑える
④ 並列処理による学習効率の向上
Q145.
自動運転AIの安全性評価において「シナリオベーステスト」が有効とされる理由はどれか?
① モデルの損失関数を最小化するシナリオを探索できる
② 実環境に即した状況設定により、挙動を網羅的に検証できる
③ 推論スピードの最大化が保証される
④ 同一データを複数回再利用することでモデルの安定性が向上する
Q146.
BERTモデルにおける「マスク付き言語モデル(Masked LM)」の学習方法として最も正しいものはどれか?
① 単語の順序を並べ替えることで文脈を学習する
② 文章の一部を[MASK]で置き換えて、欠損部分を予測する
③ テキスト全体を同時に分類する方式である
④ 文のトピック分類を目的とする
Q147.
AIの「ロバスト性(Robustness)」向上に関連するアプローチとして適切でないものはどれか?
① 敵対的サンプルへの耐性を持たせる学習
② テストデータのランダムな置換による評価
③ ノイズデータを利用した正則化手法の活用
④ 入力変動に対するモデル応答の安定性評価
Q148.
「転移学習(Transfer Learning)」におけるファインチューニングの効果として正しいものはどれか?
① 事前学習済みモデルの構造を完全に変更する
② 少量データでも精度向上が見込める
③ 推論時間を大幅に短縮する
④ 学習データの分布を自動的に均一化する
Q149.
AI倫理における「バイアス軽減」手法の一つである「後処理(Post-processing)」の特徴として適切なものはどれか?
① 学習前にデータを調整してバイアスを除去する
② 学習アルゴリズム自体を改良して公平性を向上させる
③ 出力結果に補正を加えて不公平な判断を修正する
④ ハイパーパラメータを動的に調整する
Q150.
データ前処理における「欠損値処理」のうち、平均値補完のリスクとして適切なものはどれか?
① データの平均が不変になる
② 外れ値の影響で補完値が大きく偏る可能性がある
③ 欠損の分布を完全に再現できる
④ モデルの説明可能性が常に向上する
Q151.
2025年5月に発表されたAnthropicのClaude Opus 4モデルに関する説明として、最も適切なものを選べ。
① モデルサイズを小型化し、エッジデバイス向けに最適化された
② 音声認識に特化したモデルである
③ 長時間の自律的なタスク実行能力を持つ
④ 画像生成に特化したモデルである
Q152.
2025年5月にGoogleが発表した「AI Mode」に関する説明として、最も適切なものを選べ。
① 音声認識専用のモードである
② 検索体験を再定義するチャットボット機能を提供する
③ モバイルデバイス専用の機能である
④ セキュリティ強化のためのモードである
Q153.
2025年5月に報告された、AnthropicのClaude Opus 4モデルの安全性評価テスト中に発生した事象として、最も適切なものを選べ。
① モデルが自発的にシャットダウンした
② モデルがエンジニアの個人情報を利用して脅迫を試みた
③ モデルが誤って大量のデータを削除した
④ モデルが外部のAIと通信を試みた
Q154.
2025年5月に英国で議論されたAI規制法案に関する説明として、最も適切なものを選べ。
① AI企業に対して、著作権保護された素材の使用を全面的に禁止する
② AI企業に対して、著作権保護された素材の使用を許可するが、透明性の確保や権利者によるオプトアウトを義務付ける
③ AI企業に対して、著作権保護された素材の使用を無条件で許可する
④ AI企業に対して、著作権保護された素材の使用を禁止するが、特定の条件下で例外を認める
Q155.
2025年5月に米国下院で可決された「One Big, Beautiful」法案に関する説明として、最も適切なものを選べ。
① 連邦政府によるAI規制を強化する内容である
② 州によるAI規制を10年間禁止する内容である
③ AI企業に対する税制優遇措置を導入する内容である
④ AIの軍事利用を全面的に禁止する内容である
Q156.
2025年5月にGoogleが発表したVeo 3モデルに関する説明として、最も適切なものを選べ。
① テキストからリアルな動画を生成するAIモデルである
② 音声認識に特化したAIモデルである
③ データ分析に特化したAIモデルである
④ 自動運転車向けのAIモデルである
Q157.
2025年4月にOpenAIが発表した新しいAIモデル「o3」に関する説明として、最も適切なものを選べ。
① 音声認識に特化したモデルである
② 画像生成に特化したモデルである
③ 高度な推論能力を持つモデルである
④ 自動翻訳に特化したモデルである
Q158.
2025年5月にAnthropicが発表したClaude Opus 4モデルの特徴として、最も適切なものを選べ。
① 長時間の自律的なタスク実行能力を持つ
② 音声認識に特化したモデルである
③ 画像生成に特化したモデルである
④ 自動翻訳に特化したモデルである
Q159.
2025年5月に英国で議論されたAI規制法案に関する説明として、最も適切なものを選べ。
① AI企業に対して、著作権保護された素材の使用を全面的に禁止する
② AI企業に対して、著作権保護された素材の使用を許可するが、透明性の確保や権利者によるオプトアウトを義務付ける
③ AI企業に対して、著作権保護された素材の使用を無条件で許可する
④ AI企業に対して、著作権保護された素材の使用を禁止するが、特定の条件下で例外を認める
Q160.
Claude Opus 4の安全性評価に関する説明として、最も適切なものはどれか?
① 実際の利用者に対して脅迫行為を行った事例である
② 評価用に設定された架空シナリオ上で、問題行動の可能性が確認された事例である
③ モデルが外部システムに不正アクセスした事例である
④ 生成AIが著作権保護データを自動削除した事例である

チャレンジ問題 20問
Q1.
ある企業が、自社の画像データベースから新製品の類似画像を自動抽出したいと考えている。このようなタスクに最も適しているアーキテクチャはどれか?
① RNN(再帰型ニューラルネットワーク)
② LSTM(長短期記憶)
③ CNN(畳み込みニューラルネットワーク)
④ GNN(グラフニューラルネットワーク)
Q2.
時系列データの異常検知において、最近のデータに対して特に高い感度を持たせたい。この要件を満たす可能性が高い手法はどれか?
① 単純平均によるベースライン比較
② 時系列クラスタリングによる異常検知
③ 指数移動平均を用いた平滑化としきい値判定
④ 主成分分析(PCA)による次元圧縮
Q3.
ディープラーニングモデルの学習において、学習初期の不安定性を軽減するために最も有効な対策はどれか?
① ドロップアウトを高頻度で適用する
② 活性化関数にReLUではなくシグモイドを用いる
③ 初期重みを正規分布からサンプリングする
④ バッチ正規化を適切な位置に挿入する
Q4.
ある自然言語処理タスクにおいて、モデルが同じ語彙を異なる意味で用いる文脈をうまく処理できていない。この課題の改善に最も効果があると考えられるのはどれか?
① 単語出現頻度ベースのベクトル表現に切り替える
② 単語埋め込みにコンテキスト非依存なベクトルを用いる
③ 文全体の構造を考慮するモデルに切り替える
④ TF-IDFによるスコアリングを強化する
Q5.
モデルのブラックボックス性に対するクライアントの懸念を解消するため、特定の予測に対して「なぜその判断に至ったか」を説明したい。この要件を満たす手法として最も適切なものはどれか?
① データの前処理方法を記録する
② モデルの損失関数を明示する
③ SHAPを用いて特徴量の寄与度を可視化する
④ 精度とF1スコアを併記する
Q6.
生成AIの導入を検討する企業が、既存のFAQから顧客対応チャットボットを構築したいと考えている。この目的に最も合致するモデルアプローチはどれか?
① GANにより応答文を生成する
② LSTMベースの分類器でカテゴリ分けを行う
③ RAG(Retrieval-Augmented Generation)を用いた情報抽出と応答生成
④ CNNで単語の類似度を測定し対応を決定する
Q7.
AI倫理の観点から、あるモデルが異なる人種・性別に対して一貫した予測を行っているかを検証する際に最も適した評価基準はどれか?
① 正答率(Accuracy)
② ROC-AUCスコア
③ Equalized Odds
④ 損失関数の値
Q8.
TransformerのSelf-Attention構造が、系列内の依存関係を適切に捉えられる理由として最も本質的なものはどれか?
① Attentionスコアが単語の頻度に依存しない
② 各トークンが他のトークンとの関連度をAttention重みとして計算できるため
③ 畳み込み演算を省略できるため
④ バッチ処理に適しているため
Q9.
画像認識モデルの学習中に、入力画像に少しのノイズを加えただけで誤分類が発生した。これに対して最も本質的な対策となるのはどれか?
① 正解ラベルの拡張
② 活性化関数の変更
③ 敵対的訓練(Adversarial Training)
④ 高解像度化による画質改善
Q10.
ある企業が社内の構造化データを用いて売上予測モデルを構築したいと考えている。モデル開発において、まず最初に着手すべき工程として最も妥当なものはどれか?
① 決定木モデルの選定
② モデルのパラメータチューニング
③ 入力変数の分布と欠損状況の確認
④ 利用する評価指標の選定
Q11.
ある病院が、過去の電子カルテから退院後の再入院リスクを予測するモデルを開発しようとしている。説明責任を重視する観点から、最も適したモデルの選択肢はどれか?
① 深層ニューラルネットワーク
② 決定木
③ CNN
④ RNN
Q12.
あるeコマース企業がレコメンドシステムを導入したいと考えている。初めてのユーザーが訪問した直後におすすめ商品を提示する機能に適した手法はどれか?
① 協調フィルタリング(Collaborative Filtering)
② コンテンツベースフィルタリング
③ 強化学習ベースの推薦アルゴリズム
④ トピックモデリングによる分類
Q13.
大量の未ラベル画像を活用して事前に特徴表現を学習し、最小限のラベル付きデータで精度を高めたい。この目的に合致する学習アプローチはどれか?
① 教師あり学習
② 教師なし学習
③ 自己教師あり学習
④ 転移学習(Transfer Learning)
Q14.
ある製造業企業が、工場のセンサーからのストリーミングデータをリアルタイムで監視し、異常を検出したいと考えている。このタスクに最も適している構成要素はどれか?
① バッチ学習と単純線形モデル
② 時系列モデルとストリーム処理技術
③ 強化学習とCNN
④ クラスタリングと再帰ネットワーク
Q15.
顧客満足度調査で収集した自由記述のテキストデータから、感情傾向(ポジティブ/ネガティブ)を判定したい。モデル訓練後、なぜあるコメントがネガティブと判定されたかをクライアントに説明する必要がある。この際に最も適した手法はどれか?
① 活性化関数の可視化
② SHAPによる特徴寄与分析
③ ボキャブラリ頻度のヒストグラム表示
④ 精度とF1スコアの報告
Q16.
ある自治体が、SNS上の投稿から災害時の被害情報を自動抽出したいと考えている。投稿には誤情報も混じる可能性があり、信頼度の推定が求められる。この場合に適用が検討されるべき技術はどれか?
① 注意機構(Attention)
② モンテカルロドロップアウト等による不確実性推定
③ 単純ベイズ分類器
④ 畳み込み演算
Q17.
あるAI開発チームが、新しい金融ローン審査モデルを設計中である。その際、年齢・性別・人種などの属性による差別的な影響を最小限にしたいと考えている。最も適した評価指標はどれか?
① 精度(Accuracy)
② F1スコア
③ 統計的パリティ(Demographic Parity)
④ ROC曲線
Q18.
企業Aは、顧客ごとの購買履歴と属性データをもとに、将来の解約リスク(チャーン)を予測するモデルを構築しようとしている。教師データとして適しているのはどれか?
① 顧客の現在の年齢と職業
② 過去の解約済み顧客と継続顧客のラベル付きデータ
③ 商品レビューの自由記述文
④ 購入時の広告表示内容
Q19.
あるアプリ開発企業が、プライバシーに配慮しつつユーザーデータをもとにAIモデルを訓練したいと考えている。データをクラウドに転送せず、端末上で分散学習を行う方式として最も適したものはどれか?
① 中央集約型学習(Centralized Learning)
② フェデレーテッドラーニング(Federated Learning)
③ 教師なしクラスタリング
④ データ拡張によるノイズ付加学習
Q20.
ある教育機関が、学生の答案から自動で採点やフィードバックを行うAIを導入しようとしている。文章の構成や理由付けの論理性を評価することが求められる。この目的に最も合致する技術はどれか?
① TF-IDFベースのベクトル化
② 自己注意機構を含む大規模言語モデル
③ 単語の出現頻度ヒストグラム
④ 主成分分析による要約
ご利用にあたって
本問題は、一般社団法人日本ディープラーニング協会(JDLA)が公開する「G検定(ジェネラリスト検定)シラバス 2024」 に基づいて、出題範囲の理解促進を目的として独自に作成されたものです。
JDLAならびにG検定の試験実施機関とは一切関係ありません。
出題形式や選択肢、解説は正確性・網羅性を完全に保証するものではありません。
本資料の利用はあくまで学習補助・理解促進の参考資料としてご活用ください。 利用によって生じた結果や損害について、制作者は一切の責任を負いません。
問題は基礎を中心として単純な知識選択型(定義や特徴などの正誤や適合判断)としております。そこそこ問題配分は考えて作成しています。
【★ / ★★ / ★★★】は各問題の難易度(Difficulty)を表しています。
★(1つ星)=基礎レベル
→ 基本定義や単語の意味理解など、暗記で解ける問題。
例:AIの定義、教師あり学習の代表例、PCAの目的など。★★(2つ星)=応用レベル
→ 概念の比較や誤り選択、複数要素の組み合わせ理解が必要。
例:L1とL2正則化の違い、F1スコアの意味、クラスタ数の決定方法など。★★★(3つ星)=実践・高度レベル
→ 実際のケース適用、評価指標の選択、数式・法的適用、時事モデル理解など。
例:GPT-4oのマルチモーダル特徴、AI倫理の制度設計、過学習の評価法など。